<![CDATA[Perusahaan Umum Daerah Air Minum (PDAM) memiliki peran penting dalam menyediakan layanan air bersih bagi masyarakat. Tantangan utama yang dihadapi adalah bagaimana memprediksi kebutuhan air secara akurat agar distribusi berjalan optimal dan berkelanjutan. Penelitian ini bertujuan untuk membangun model prediksi penggunaan air bersih dengan menggunakan algoritma Long Short-Term Memory (LSTM), salah satu jenis Recurrent Neural Network (RNN) yang efektif dalam mempelajari pola data deret waktu. Data penelitian berupa catatan historis jumlah pelanggan dan volume pemakaian air bersih dari 15 wilayah layanan PDAM Kabupaten Kendal periode 2020-2025. Tahapan penelitian meliputi pra-pemrosesan data, perancangan dan pelatihan model, evaluasi performa, serta implementasi sistem prediksi berbasis web menggunakan Streamlit. Hasil evaluasi menunjukkan bahwa model LSTM mampu memberikan prediksi dengan tingkat akurasi yang baik. Rata-rata nilai Mean Absolute Percentage Error (MAPE) untuk prediksi jumlah pemakaian air berada pada kisaran 3-5%, sedangkan untuk jumlah pelanggan rata-rata di bawah 2%. Selain itu, nilai Root Mean Squared Error (RMSE) juga relatif rendah sehingga model dapat menyesuaikan dengan pola fluktuatif pada setiap wilayah. Implementasi ke dalam aplikasi web memudahkan PDAM melakukan analisis prediksi secara interaktif dan mendukung perencanaan distribusi air yang lebih efisien]]>
Copyrights © 2025
